ROAS na poziomie 6x wygląda jak dowód skuteczności kampanii. Problem w tym, że dashboard nie mówi, ile z tych konwersji wydarzyłoby się mimo wszystko - bez reklamy, bez budżetu, bez całej kampanii.
To pytanie, które od dekady najbardziej niepokoi ekonomistów badających reklamę cyfrową, i które incrementality testing stawia wprost, zamiast chować je za wygodną metryką.
Hubert Piotrowski
Fundament problemu i dlaczego pomiar zwrotu z reklamy jest aż tak trudny
Najbardziej wpływowa praca na ten temat - Randalla Lewisa i Justina Rao, "The Unfavorable Economics of Measuring the Returns to Advertising", opublikowana w 2015 roku w prestiżowym "Quarterly Journal of Economics" - przeanalizowała dwadzieścia pięć dużych eksperymentów terenowych u głównych amerykańskich detalistów i firm brokerskich, obejmujących łącznie 2,8 miliona dolarów wydatków reklamowych i miliony klientów. Wynik jest niewygodny dla całej branży: mediana przedziału ufności dla zwrotu z inwestycji wynosiła ponad 100 punktów procentowych szerokości, a sprzedaż na poziomie indywidualnego klienta okazała się na tyle zmienna względem kosztu reklamy przypadającego na osobę, że wiarygodny eksperyment reklamowy wymagałby ponad 10 milionów osobo-tygodni obserwacji. Innymi słowy: w większości firm nie ma wystarczających danych, żeby w sposób statystycznie rzetelny odpowiedzieć na pytanie "czy ta kampania faktycznie działa".
Klasyczny przykład, czyli eBay i reklama, która nie działała
Najczęściej cytowanym dowodem na to, że intuicja marketera może być kompletnie błędna, jest eksperyment eBay opisany przez Thomasa Blake'a, Chrisa Nosko i Stevena Tadelisa w 2015 roku na łamach "Econometrica" - jednego z najbardziej prestiżowych czasopism ekonomicznych na świecie. eBay, przekonany o skuteczności płatnych wyników wyszukiwania w Google, wstrzymał reklamę search w próbie miast, kontynuując ją w pozostałych. Wynik zaskoczył cały zespół marketingowy: rzeczywisty zwrot z inwestycji w reklamę search wyniósł minus 63%. Powód był prosty - klienci, którzy nie widzieli płatnego linku, i tak trafiali na eBay przez wynik organiczny. Firma płaciła za kliknięcia, które i tak by dostała za darmo.
Dlaczego bywa odwrotnie i kiedy atrybucja zaniża efekt
Incrementality testing nie jest jednostronnym narzędziem do obalania kampanii - regularnie pokazuje też sytuacje odwrotne. W jednym z udokumentowanych przypadków z branży insurance, standardowy model atrybucji last-touch zaniżał wartość kanałów display i native programmatic o 87% względem rzeczywistej liczby konwersji przyrostowych wykazanych w eksperymencie. Podobnie retargeting, uznawany często za kanał "zbierający zasługi" za konwersje, które i tak by się wydarzyły, w precyzyjnie zaprojektowanym eksperymencie z grupą kontrolną wykazał realny wzrost odwiedzin witryny o 17,2% i zakupów o 10,5% - dowód, że retargeting może działać, ale tylko test z grupą kontrolną jest w stanie to potwierdzić, a nie sama liczba przypisanych konwersji.
Powrót Marketing Mix Modeling. Jak wygląda pomiar w 2026 roku
Załamanie się śledzenia na poziomie użytkownika - w tym ostateczne wygaszenie inicjatywy Privacy Sandbox przez Google w październiku 2025 roku - sprawiło, że branża wraca do metod, które nie wymagają danych osobowych. Marketing Mix Modeling, technika ekonometryczna licząca sobie już kilkadziesiąt lat, przeżywa w 2026 roku swój renesans nie dlatego, że matematyka się poprawiła, tylko dlatego, że koszt wejścia radykalnie spadł - Google udostępnił swój otwartoźródłowy framework Meridian w styczniu 2025 roku, a Meta swój framework Robyn, zamieniając modelowanie, które kiedyś wymagało sześciocyfrowego kontraktu z agencją analityczną, w darmowe narzędzie dostępne dla każdego kompetentnego zespołu. Według danych TransUnion cytowanych przez eMarketer, 46,9% amerykańskich marketerów markowych i agencyjnych planuje zainwestować w MMM w najbliższym roku, a 27,6% wskazuje go jako swój absolutny priorytet numer jeden. Sam eMarketer szacuje, że 36,2% marketerów planuje zwiększyć wydatki na incrementality testing w ciągu najbliższych 12 miesięcy, a siedmiu na ośmiu amerykańskich marketerów zainwestuje więcej w przynajmniej jedną metodologię pomiaru efektywności.
Co to znaczy w praktyce dla planujących kampanie
Wniosek nie jest taki, że trzeba wybrać jedną, "prawdziwą" metodę pomiaru i odrzucić resztę. Branżowa praktyka 2026 roku to triangulacja: MMM jako strategiczny widok na alokację budżetu między kanałami, testy przyrostowe (holdout testy geo, Meta Conversion Lift) jako weryfikacja tego, co model przewiduje, oraz atrybucja platformowa jako narzędzie operacyjne do optymalizacji w czasie rzeczywistym - ale nie jako ostateczne kryterium prawdy o tym, co działa. Żadna z tych metod użyta samodzielnie nie daje pełnego obrazu; razem wzajemnie się kalibrują.
Podsumowanie
ROAS i inne metryki raportowane przez platformy reklamowe mierzą korelację, nie przyczynowość - a różnica między tymi dwiema rzeczami, jak pokazują dane z "Quarterly Journal of Economics" i "Econometrica", bywa ogromna i działa w obie strony. Marketerzy, którzy traktują dashboard jako ostateczną prawdę o skuteczności kampanii, powtarzają dziś błąd, który eBay kosztował dokładnie tyle, ile wydał na reklamę, która nie działała. Ci, którzy zaczynają regularnie testować przyrostowy efekt swoich działań, zyskują coś rzadszego niż wysoki ROAS w raporcie - wiedzę o tym, co się stanie, jeśli budżet faktycznie się wyłączy.
Źródła
- Lewis, R. A., & Rao, J. M. (2015). The Unfavorable Economics of Measuring the Returns to Advertising. Quarterly Journal of Economics, 130(4), 1941-1973.
- Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment. Econometrica, 83(1), 155-174.
- Barajas, J., Zidar, T., & Bay, M. (2020). Advertising Incrementality Measurement using Controlled Geo-Experiments: The Universal App Campaign Case Study.
- TransUnion / eMarketer (2026). Marketing Mix Modeling Investment Guidance.
- eMarketer (2026). Incrementality Testing Guidance 2026.
